🔧 模型 · 能力升级
Gemini API 获四项 Agent 新能力：后台执行、远程 MCP、自定义函数、凭证热刷新
7 月 7 日，Google DeepMind 宣布为 Managed Agents 新增后台执行、远程 MCP 服务器集成、自定义函数调用、网络凭证热刷新四项能力。直接回应开发者反馈，让 Agent 从「能跑」走向「能可靠地跑」。
综合公开信息整理•
2026-07-07•
全文约 3 分钟读完
#Google DeepMind
#Gemini API
#AI Agent
#Managed Agents
4 项
新能力一次发布
3 类
工具类型：搜索 / 代码 / MCP
1 个
端点统一管理
0 阻塞
后台执行无需保持 HTTP 连接
⚡ 30 秒速览
- 后台执行：长时间任务异步运行，返回唯一 ID，客户端可轮询、流式获取进度，或断开后重连。不再需要保持 HTTP 连接活着。
- 远程 MCP 集成：直接连接私有数据库或内部 API，无需写自定义代理中间件。搜索、代码执行、MCP 工具可混合调用。
- 自定义函数：沙箱工具与本地业务逻辑协同执行。内置工具自动跑在服务端，自定义函数交给客户端，互不阻塞。
- 凭证热刷新：令牌过期或 API 密钥轮换时，传入新凭证即可，沙箱文件系统、已安装包、克隆仓库全部保留。
01四个新能力，各自解决一个真实痛点
这次更新不是一次「功能堆砌」，而是精准命中 Agent 从原型走向生产时会撞上的四堵墙。
⏳
后台执行
传递 background: true，API 立即返回 Interaction ID。客户端可随时查询状态，无需保持连接。适合克隆仓库、批量分析、长时间报告生成。
🔗
远程 MCP 服务器
通过 mcp_server 工具类型直接连接内部 MCP 端点，与 Google Search、代码执行并列。私有数据与公共知识一次调用全部获取。
⚙️
自定义函数调用
定义 type: "function" 的本地工具，Agent 自动区分哪些在沙箱执行、哪些需要客户端返回。业务逻辑与沙箱能力互补。
🔄
凭证热刷新
传入 environment_id 加新 network 配置，旧规则即刻替换。令牌过期不丢环境，适合长期运行的自动化任务。
每个能力都对应一个独立的 API 参数或工具类型，开发者可按需组合，不增加额外复杂度。
02为什么是这四个能力？
Agent 开发在过去一年经历了「能做→能做更多→能稳定做」三个阶段。但真正卡住生产部署的，往往不是模型能力，而是工程基础设施。
一个诚实的注脚： 业界不缺能跑一个 Demo 的 Agent，缺的是能跑一整夜的 Agent。
传统方式
- 长时间任务必须保持 HTTP 连接，网络波动即失败
- 访问私有数据需要自己写代理中间件
- 自定义工具与沙箱工具无法混合编排
- 令牌过期需重建整个环境，丢失状态
新方式
- 后台异步执行，客户端可断连重连
- 直接 MCP 连接，无需额外代理层
- 内置工具与自定义函数协同，step matching 自动路由
- 凭证热替换，环境状态持续保留
每一项解决的都是 「能不能放心用」 的问题，而不是「能不能做到」的问题。这也是为什么这次更新被行业视为 Agent 走向工业化的关键信号。
03这些能力到底能解决什么问题？三个真实场景
功能列表是一回事，落到具体工作流里是什么体验？以下场景均基于官方示例提炼。
📦 后台代码分析：克隆、扫描、报告一气呵成 后台执行
- 开发者调用 API 克隆整个 GitHub 仓库，扫描所有 TODO 注释，按模块和优先级分类。
- 任务提交后客户端即可关闭，5 分钟后重新查询，报告已生成完毕。
- 全程无需保持 HTTP 连接，适合夜间批量任务或 CI/CD 流程。
编辑点评：后台执行将 Agent 从「交互式工具」变成了「异步同事」——交代完任务就不用守着。
🔍 内部遥测排查：搜索 + 代码 + MCP 三路并进 远程 MCP
- Agent 同时调用 Google Search、代码执行和内部 MCP 服务器，查询 auth 服务延迟 spikes。
- 将延迟数据与 git 提交记录关联，定位到具体代码变更。
- MCP 直连内部端点，无需额外代理，数据不出安全边界。
编辑点评：远程 MCP 让 Agent 同时拥有「外部知识」和「内部数据」——这才是真正的混合检索。
🔐 凭证热刷新：长时任务不中断 热刷新
- Agent 正在处理 GCS 存储桶中的多份报表，中途令牌过期。
- 开发者传入新凭证和 environment_id，任务从断点继续，已下载的文件、已安装的依赖、已克隆的仓库全部保留。
- 适合需要运行数小时的数据处理流水线。
编辑点评：凭证热刷新解决的看似是「小问题」，但生产环境中令牌过期是 Agent 任务失败的头号原因。
04为什么 Google 能做出来？
答案藏在 Gemini API 的架构选择里：Managed Agents 本质上是一个「沙箱即服务」——每次 interaction 都在隔离的云端沙箱中运行，处理推理、代码执行、文件管理、网络请求。
底层逻辑很直接： 把 Agent 的运行环境变成可托管、可恢复、可编排的基础设施。
接收意图→沙箱分配→工具编排→异步执行→结果交付
从后台执行到凭证刷新，所有新能力都建立在 沙箱生命周期管理 之上。环境 ID 成为状态的锚点，令牌、文件、依赖都附着其上，而非绑定在 HTTP 连接上。
这也是为什么 Google DeepMind 能同时推出这四项能力——它们共享同一个底层假设：Agent 不是一次对话，而是一个有状态的计算单元。这个认知转变，比任何一个单独的功能都重要。
编辑核心判断
Agent 的工业化落地，瓶颈往往不在模型智商，而在工程基础设施——后台编排、凭证管理、工具集成。Google 这次补上的正是这三块拼图。当「能跑」不再是个问题，「能可靠地跑」才是真正的分水岭。